乌鲁木齐市PM10,PM2.5和PM1.0浓度及分布变化特征研究

利用GRIMM180气溶胶粒谱分析仪采集乌鲁木齐市PM10、PM2.5和PM1.0数据,研究表明:乌鲁木齐市气溶胶颗粒物质量浓度在进入采暖季后急剧增加,冬季颗粒物中细粒子含量最高,PM2.5/PM10可达77.6%,PM2.5/PM10,PM1.0/PM10,PM1.0/PM2.5三比值体现了颗粒物的分布特征,四季污染程度越高,细粒子含量越高。四季无降水日PM10、PM2.5、PM1.0的质量浓度和分布的日变化基本呈三峰三谷型,出现早—午—晚峰值,上午—下午—午夜后谷值,各季节峰谷值具体出现时间略有差别,由于冬季逆温层顶盖等因素的影响,冬季质量浓度和分布的日变化在此基础上多了两次波动。降水的发生对冬、春季质量浓度的影响大于夏、秋季,对不同粒径段粒子的分布影响有一定差别。     

福州市PM2.5、PM2.5/PM10分布特征及与气象条件关系的初步分析

利用福州市PM2.5、PM10和气象资料,分析PM2.5、PM2.5/PM10的分布特征及与气象条件的关系。结果表明:福州市细粒子污染程度较轻,春季PM2.5和PM2.5/PM10值均是四季中最高的,其次是冬季,夏季最低;影响PM2.5浓度出现高值的天气系统有:暖区辐合与高空槽前、大陆高压后部和暖区降水三种系统,其中暖区降水天气形势下的PM2.5平均浓度最高,超标率为25.5%;影响PM2.5浓度出现低值的天气系统有:冷高压脊、高压底部和高空槽后,副热带高压及边缘,台风(热带辐合带)及外围系统,在后两种天气系统影响下的PM2.5平均浓度最低,超标率为0;剔除因降水、雾等低能见度个例,PM2.5浓度与能见度的相关系数为-0.626,冬春季的相关系数是夏秋季的1.4倍;PM2.5浓度与单一气象要素(如温度、相对湿度、风速等)相关性不明显,但不同季节、不同气象要素变化的组合对PM2.5浓度有直接影响。      

黄石市大气PM10和PM2.5质量浓度特征研究

利用2015年黄石市5个监测站点可吸入颗粒物(PM10)和细颗粒物(PM2.5)的在线监测数据和风向、风速、气温、气压等常规地面气象要素观测资料,分析了黄石市大气PM10和PM2.5的质量浓度水平分布特征及其与气象参数的关系。结果表明:2015年黄石市5个监测站点大气PM10和PM2.5年均浓度范围分别为95.8—108.6μg·m^-3和64.3—68.9μg·m^-3,均超过国家二级标准;季均质量浓度呈现显著的冬季高夏季低的变化规律,冬季PM10和PM2.5的质量浓度分别为(143.9±62.2)μg·m^-3和(95.5±44.5)μg·m^-3,夏季PM10和PM2.5的质量浓度分别为(75.2±24.0)μg·m^-3和(50.7±17.3)μg·m^-3。5个监测站中,下陆区、西塞山区和铁山区的PM10和PM2.5颗粒物污染较为严重;各站点大气PM10和PM2.5质量浓度显著相关。大气颗粒物浓度与气象因素的分析显示,黄石市大气颗粒物浓度与气温呈显著的负相关关系,与气压呈正相关关系,与风速和相对湿度的相关性不显著,受风向影响变化较大。     

2013年济南市大气能见度与相对湿度和PM10、PM2.5的关系

对济南市2013年1—12月的能见度、相对湿度、PM10及PM2.5逐时监测数据分析,结果表明：能见度、相对湿度、PM10和PM2.5浓度有明显的月变化和日变化规律。在各项污染物中,能见度与颗粒物的相关性最高,与PM10的相关系数为-0.6718,与PM2.5的相关系数为-0.7422;在气象因子中,与相对湿度的相关性最高,相关系数为-0.6501。不同季节条件下,能见度与PM2.5的相关性明显优于PM10的,冬季能见度与颗粒物的相关性明显优于其他季节的。     

晋城市冬、春季PM2.5和PM10污染水平时空分布及其与气象因子的关系

为深入了解晋城市颗粒物浓度时空分布特征,对晋城市2017年12月至2018年5月国控点、小型站和微型站PM2.5及PM10小时浓度数据进行收集整理,并进行空间插值分析和时间变化趋势分析及与气象监测数据的相关分析。结果表明:颗粒物浓度在冬、春季节具有明显差异,冬季PM10与PM2.5高值区主要位于东北部及东南小部分区域,春季PM10高值区位于城区南部区域,PM2.5高值区主要集中于城区。晋城市城区和郊区PM10与PM2.5月均浓度整体呈单峰型变化,PM10在4月份最高(157.54±5.67μg·m^-3),PM2.5在1月份最高(94.08±2.25μg·m^-3)。冬季PM2.5/PM10平均为0.57,春季平均为0.45。颗粒物小时浓度的变化呈现单峰单谷的型式,冬季PM10与PM2.5小时平均浓度最高值均出现在10时,春季均出现在09时。监测期间晋城市PM10与PM2.5的小时浓度值与相对湿度有较高的正相关性(p<0.01),与风速、风向有较高的负相关性(p<0.01),与温度和气压的相关性较低。冬季,东北至正南风向时,PM10与PM2.5的浓度普遍高于西北风向时的浓度,对晋城冬、春季国控点颗粒物浓度贡献率最高的风向风速为东南偏南风向,风速在1 m/s以内。     

2007和2008年夏季北京奥运馆大气PM10与PM2.5质量浓度变化特征

为了监测北京奥运主场馆附近大气颗粒物的污染状况以及评估奥运污染源减排措施对北京大气颗粒物质量浓度变化的影响,利用颗粒物在线监测仪器TEOM于2007年和2008年夏季,在奥运主场馆附近的中国科学院遥感应用研究所办公楼楼顶对大气颗粒物PM10和PM2.5进行了连续同步观测。结果表明,2007年夏季监测点附近大气PM10与PM2.5质量浓度的平均值分别为153.9和71.2μg.m-3,而2008年夏季PM10与PM2.5质量浓度的平均值分别为85.2和52.8μg.m-3。与奥运前一年同时段相比,奥运时段大气PM10和PM2.5的质量浓度分别下降44.5%和25.1%。对比分析奥运前后的2次典型污染过程发现,空气相对湿度的增加和偏南气流输送的共同影响易造成大气颗粒物的累积增长,而降雨的湿清除作用和偏北气流则会使大气颗粒物浓度迅速降低。在相近的气象条件下,奥运前后的污染过程中,大气细粒子的日均增长速率分别为25.1和13.9μg.m-3.d-1,而大气粗粒子的日均增长速率分别为20.8和2.2μg.m-3.d-1,奥运时段污染累积过程中大气粗、细粒子的增长速率分别显著低于和略低于奥运前同时段污染过程中颗粒物的增长速率。污染源减排措施的实施是奥运期间大气颗粒物质量浓度降低的主要原因,从控制效果来看,奥运期间实施的污染源减排措施对大气粗粒子的控制效果明显好于大气细粒子。     

降雨对PM2.5浓度的影响及人工降雨降低PM2.5浓度的探讨

湿沉降是使大气颗粒物浓度减少的途径之一。该文利用2013年6月南京市逐日PM2.5浓度资料,及同期降水、风速和相对湿度的数据,分析了南京夏季PM2.5与气象条件变化之间的关系。结果表明,在低风速、高湿度、污染物不易扩散条件下,降雨并不能有效降低当日PM2.5浓度。而在风速较大的条件下,污染物在随风扩散稀释的同时,降雨对污染物的湿沉降作用促进了PM2.5浓度降低。建议在采用人工增雨方法清除PM2.5时,要考虑气象条件的影响。     

北京地区PM10污染的气象特征

选用北京城郊5个代表站2000年可吸人颗粒物PM10逐时浓度监测资料,较为系统地统计分析了北京地区主要空气污染物一PM10的时空分布特征,其中包括PM10平均浓度和各等级出现频率的逐月变化、采暖期和非采暖期平均浓度的逐时变化.揭示了各代表站PM10污染年、日变化趋势、采暖期和非采暖期日变化之间的差异,并分析了PM10浓度与地面常规气象要素的相关性.     

大同基准站PM10监测项目简析

本文首先介绍了PM10的基本概念以及对人体的危害和国际社会对其的重视程度,简单阐述了大同基准站PM10监测设备的基本原理,详细分析了PM10监测扬沙和烟尘等视程障碍天气的能力,用数据曲线清晰的展示出了PM10值在沙尘天气下的变化。同时详细分析了PM10值变化与能见度值的相互关系,通过分析提出了在一定的天气下可以参考PM10的值来判断能见度的观点。本文总结了PM10值与沙尘天气和能见度的关系。     

哈尔滨市PM10污染与气象条件分析

统计分析了2006-2010年哈尔滨市的3种污染物逐日污染物指数API数据,着重统计分析了哈尔滨市主要污染物PM10的逐月和季节演变特征,并对PM10浓度与平均气温、能见度、降水量、相对湿度、气压和平均风速6个气象要素的关系做了初步定量分析。研究结果表明：2006-2010年PM10浓度变化不大,空气质量好于二级的天数...     

Intraurban variability of PM10 and PM2.5 in an Eastern Mediterranean city

The results of the first large scale chemical characterization of PM10 and PM2.5 at three different sites in the urban city of Beirut, Lebanon, are presented. Between May 2009 and April 2010 a total of 304 PM10 and PM2.5 samples were collected by sampling every sixth day at three different sites in Beirut. Observed mass concentrations varied between 19.7 and 521.2 μg m^? 3 for PM10 and between 8.4 and 72.2 μg m^? 3 for PM2.5, respectively. Inorganic concentrations accounted for 29.7–35.6 μg m^? 3 and 46.0–53.5 μg m^? 3 of the total mass of PM10 and PM2.5, respectively. Intra-city temporal and spatial variations were assessed based on the study of three factors: correlation coefficients (R) for PM and chemical components, coefficient of divergence (CODs), and source apportionment using positive matrix factorization (PMF). Based on R and COD of PM concentrations, the three sites appear homogeneous. However, when individual elements were compared, heterogeneity among sites was found. This latter was attributed to the variability in the percent contribution of biogenic and local anthropogenic source factors such as traffic related sources and dust resuspension. Other factors included the proximity to the Mediterranean sea, the population density and the topographical structure of the city. Hence, despite its small size (20.8 km²), one PM monitoring site does not reflect an accurate PM level in Beirut.     

海口市PM_(10)、PM_(2.5)和PM_1质量浓度的变化特征分析

利用2013年在海口市气象局地面气象观测站采集的PM10、PM2.5和PM1质量浓度数据,分析了2013年可吸入颗粒物质量浓度的变化特征,并对其成因进行了初步分析。结果表明:2013年海口市PM10、PM2.5和PM1质量浓度的变化趋势基本相同,PM10、PM2.5质量浓度的超标率低,达到一级标准的概率分别为74.0%和68.8%,超过2级标准的天数分别为1和9 d,ρ(PM2.5)/ρ(PM10)与ρ(PM1)/ρ(PM2.5)的比例平均分别为78.1%和85.1%;海口PM10、PM2.5和PM1质量浓度冬季最高,夏季最低,春、秋两季处于冬夏之间;PM10、PM2.5和PM1质量浓度的日变化呈双峰现象,一个峰出现在上午,一个峰出现在夜间;颗粒物质量浓度的变化主要受到气象条件和污染物排放的影响。     

Stable carbon and nitrogen isotopic characteristics of PM2.5 and PM10 in Delhi,India

This study presents the chemical composition (carbonaceous and nitrogenous components) of aerosols (PM_2.5 and PM₁₀) along with stable isotopic composition (δ¹³C and δ¹⁵N) collected during winter and the summer months of 2015–16 to explore the possible sources of aerosols in megacity Delhi, India. The mean concentrations (mean?±?standard deviation at 1σ) of PM_2.5 and PM₁₀ were 223?±?69 µg m^?3 and 328?±?65 µg m^?3, respectively during winter season whereas the mean concentrations of PM_2.5 and PM₁₀ were 147?±?22 µg m^?3 and 236?±?61 µg m^?3, respectively during summer season. The mean value of δ¹³C (range: ??26.4 to ??23.4‰) and δ¹⁵N (range: 3.3 to 14.4‰) of PM_2.5 were ??25.3?±?0.5‰ and 8.9?±?2.1‰, respectively during winter season whereas the mean value of δ¹³C (range: ??26.7 to ??25.3‰) and δ¹⁵N (range: 2.8 to 11.5‰) of PM_2.5 were ??26.1?±?0.4‰ and 6.4?±?2.5‰, respectively during the summer season. Comparison of stable C and N isotopic fingerprints of major identical sources suggested that major portion of PM_2.5 and PM₁₀ at Delhi were mainly from fossil fuel combustion (FFC), biomass burning (BB) (C-3 and C-4 type vegitation), secondary aerosols (SAs) and road dust (SD). The correlation analysis of δ¹³C with other C (OC, TC, OC/EC and OC/WSOC) components and δ¹⁵N with other N components (TN, NH₄⁺ and NO₃^?) are also support the source identification of isotopic signatures.

     

汕头市PM2.5的气象要素影响分析及预报研究

利用2014—2017年汕头市PM_2.5的日浓度资料、以及汕头市国家基准气象观测站的同期地面气象资料,重点分析了汕头市PM_2.5浓度的变化特征以及风、混合层厚度、降水等气象条件对PM_2.5浓度的影响,同时探讨了污染物浓度变化的成因。在此基础上,根据汕头市的气候特点,采用BP （Back-Propagation）人工神经网络方法针对汛期和非汛期分别建立了PM_2.5质量浓度预报模型。结果表明：与多数内陆城市不同,汕头市PM_2.5浓度日变化为单峰型,这与汕头地处沿海受海陆风影响有关;PM_2.5浓度日峰值出现在08时左右,除早高峰污染物排放增加的因素外,与早晨时段的低风速环境有关;PM_2.5日均浓度随着风速的增大呈现减小趋势,PM_2.5日均浓度与08时混合层厚度显著相关（相关系数为-0.143）;汕头市非汛期PM_2.5浓度比汛期高,这与汕头市的亚热带季风气候特征有关,汛期各量级降水（暴雨以上除外）对PM_2.5的清除效果无明显差别,而非汛期降水对PM_2.5浓度有明显清除作用;BP人工神经网络模型的预报效果表明,汛期和非汛期的PM_2.5级别命中率TS分别为100%和90.3%,准确指数分别为87.7%和89.9%,总体预报效果良好。不同时期预报模型出现正误差的数量和程度均大于负误差,汛期预报模型在有强降水发生时误差较大,而非汛期预报模型在有冷空气入侵时误差较大。     

天津大气能见度与相对湿度、PM10及PM2.5的关系

为研究大气气溶胶及空气中水汽与大气能见度下降的关系,利用2009年天津大气边界层观测站大气能见度资料和同期观测的相对湿度、PM₁₀及PM_2.5资料,对三者与大气能见度的关系进行了分析。结果表明：大气能见度与相对湿度线性相关系数最高,PM2.5次之;大气能见度随相对湿度的增大而明显降低。相对湿度低于60 %时,大气能见度与PM_2.5的非线性相关性较好,与PM₁₀次之,与PM₁₀与PM_2.5差值的相关性最差。相对湿度高于60 %时,大气能见度与PM₁₀的非线性相关性较好,与PM₁₀-PM_2.5差值的相关性次之。大气能见度与相对湿度非线性相关系数高于线性相关系数。利用相对湿度、PM₁₀及PM_2.5数据计算得到了具有季节变化的非线性大气能见度拟合公式,经验证,该公式能较好地模拟天津地区的大气能见度。     

Mass concentration of PM10 and PM2.5 fine-dispersed aerosol fractions in the Eastern Gobi Desert

Results are presented of monitoring measurements of the mass concentration of PM₁₀ (particles with the size of less than 10 μm) and PM_2.5 (less than 2.5 μm) fine-dispersed aerosol fractions at the Sainshand and Zamyn-Üüd stations located in the Gobi Desert of Mongolia. Revealed are the annual variations of the mass concentration of PM₁₀ and PM_2.5 fine-dispersed aerosol fractions at these stations in 2008. The maximum values of monthly mean concentration during the year were observed in May in the period of dust storms. On the days with the steady calm weather, the mass concentrations of PM₁₀ and PM_2.5 varied within 5–8 μg/m³ (PM₁₀) and 3–5 μg/m³ (PM_2.5) at the Sainshand station. During the dust storms, the maximum values of concentration exceeded 1400 μg/m³ (PM₁₀) and 380 μg/m³ (PM_2.5) that is by 28 (PM₁₀) and 15 (PM_2.5) times higher than the maximum permissible concentration for the European Union. Results are given of studying the frequency and duration of dust storms in recent 20 years (1991–2010) in the Eastern Gobi Desert.     

Atmospheric ionic species in PM2.5 and PM1 aerosols in the ambient air of eastern central India

This study elucidates the characteristics of ambient PM_2.5 (fine) and PM₁ (submicron) samples collected between July 2009 and June 2010 in Raipur, India, in terms of water soluble ions, i.e. Na⁺, NH ₄ ⁺ , K⁺, Mg²⁺, Ca²⁺, Cl^?, NO ₃ ^? and SO ₄ ^2? . The total number of PM_2.5 and PM₁ samples collected with eight stage cascade impactor was 120. Annual mean concentrations of PM_2.5 and PM₁ were 150.9?±?78.6 μg/m³ and 72.5?±?39.0 μg/m³, respectively. The higher particulate matter (PM) mass concentrations during the winter season are essentially due to the increase of biomass burning and temperature inversion. Out of above 8 ions, the most abundant ions were SO ₄ ^2? , NO ₃ ^? and NH ₄ ⁺ for both PM_2.5 and PM₁ aerosols; their average concentrations were 7.86?±?5.86 μg/m³, 3.12?±?2.63 μg/m³ and 1.94?±?1.28 μg/m³ for PM_2.5, and 5.61?±?3.79 μg/m³, 1.81?±?1.21 μg/m³ and 1.26?±?0.88 μg/m³ for PM₁, respectively. The major secondary species SO ₄ ^2? , NO ₃ ^? and NH ₄ ⁺ accounted for 5.81%, 1.88% and 1.40% of the total mass of PM_2.5 and 11.10%, 2.68%, and 2.48% of the total mass of PM₁, respectively. The source identification was conducted for the ionic species in PM_2.5 and PM₁ aerosols. The results are discussed by the way of correlations and principal component analysis. Spearman correlation indicated that Cl^? and K⁺ in PM_2.5 and PM₁ can be originated from similar type of sources. Principal component analysis reveals that there are two major sources (anthropogenic and natural such as soil derived particles) for PM_2.5 and PM₁ fractions.     

基于BP人工神经网络的鹰潭市PM2.5和PM10浓度预测模型

利用2015—2019年鹰潭市5个大气成分监测站数据和气象站地面观测数据,运用主成分分析法,提取气象要素、气体污染物对PM2.5和PM10浓度影响的主要成分,调整BP人工神经网络的隐藏层个数和隐藏层节点数,构建基于BP人工神经网络的鹰潭市PM2.5和PM10浓度预测模型。结果表明：1） 气象要素中,共提取3个影响PM2.5、PM10浓度的主成分,分别为相对湿度、降水,气温、气压和风速,其中湿度、气温、风速与PM2.5、PM10浓度显著相关。2） 气体污染物中,共提取2个主成分,分别为SO2、NO2和O3,其中NO2、SO2与PM2.5、PM10浓度显著相关。3） 所建立的PM2.5、PM10浓度逐小时预测模型在20 h内预测性能良好,预测准确率分别为88%、86%,逐日预测模型在5 d内的预测性能良好,预测准确率分别为94%、92%,准确率较高,具有良好的预报性能。